Phonemiseur

Présentation

Brique atomique de phonémisation : un seul modèle BiLSTM char-level multi-tête (1.75M paramètres, ONNX INT8 = 1.8 Mo) qui prédit simultanément 4 tâches à partir de tokens français :

Performances mesurées sur un corpus de test de phrases françaises complètes (mots en contexte).

Quatre backends d’inférence : API (zero config), ONNX Runtime (~2 ms/phrase), NumPy (~50 ms), ou pur Python (~200 ms, zéro dépendance).

Brique vs Pipeline : Le Phonémiseur est le modèle brut (tokens → prédictions). Pour le pipeline complet G2P (texte → phonèmes avec tokenisation, formules et groupes de lecture — syllabation optionnelle via l’extra [aligneur]), voir lectura-g2p.

Exemple de code

from lectura_phonemiseur import creer_engine

engine = creer_engine()   # mode API par défaut (zero config)

result = engine.analyser(["Les", "enfants", "sont", "arrivés", "à", "la", "maison"])

print(result["g2p"])      # ['le', 'ɑ̃fɑ̃', 'sɔ̃', 'aʁive', 'a', 'la', 'mɛzɔ̃']
print(result["pos"])      # ['ART:def', 'NOM', 'AUX', 'VER:pper', 'PRE', 'ART:def', 'NOM']
print(result["liaison"])  # ['Lz', 'none', 'Lt', 'none', 'none', 'none', 'none']

Essayer en ligne

Architecture du modèle

Phrase → Char Embedding (64d) → Shared BiLSTM (2x160h → 320d)
                                        |
                    +-------------------+-------------------+
                    v                                       v
              G2P Head (per-char)         Word repr (320d) + Lex Features (24d)
              Linear(320→40)                        |
                                          Word BiLSTM (128h → 256d)
                                                |
                                    +---+---+---+---+---+---+---+
                                   POS Num Gen VF  Mood Tns Per Liaison

Features lexicales (optionnel) : si lectura-lexique est installé, le modèle reçoit un vecteur de 24 dimensions par mot (candidats POS du lexique). Cela améliore la prédiction POS, la morphologie et les liaisons. Sans lexique, le modèle fonctionne normalement.

Installation

pip install lectura-phonemiseur             # mode API (zero config, zéro dépendance)
pip install lectura-phonemiseur[onnx]       # backend ONNX Runtime local (~2 ms/phrase)
pip install lectura-phonemiseur[numpy]      # backend NumPy local
pip install lectura-phonemiseur[lexique]    # + lectura-lexique (features POS)
pip install lectura-phonemiseur[all]        # onnx + numpy + lexique

Par défaut, le module utilise l’API Lectura (aucune configuration nécessaire). Les backends locaux (ONNX, NumPy) nécessitent les modèles pré-entraînés, disponibles sous licence commerciale.

Caractéristiques techniques

• 1.75M paramètres, modèle ONNX INT8 = 1.8 Mo
• 4 backends : API (zero config), ONNX Runtime (~2 ms), NumPy (~50 ms), pur Python (~200 ms)
• Factory creer_engine() : détection automatique du meilleur backend
• Séparateurs mots composés : sep_hyphen=True, sep_apos=True pour conserver les tirets et apostrophes dans l’IPA (aba-ʒuʁ, d'abɔʁ)
• 30 000 corrections lexicales intégrées (table plate + homographes POS-aware)
• Features lexicales (optionnel) : candidats POS via lectura-lexique pour améliorer POS/morpho/liaison
• Python 3.10+ avec type hints complets (PEP-561)
• Licence : AGPL-3.0 (non commerciale) — licence commerciale sur demande : nous contacter